Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ αναζήτησης νευρωνικής αρχιτεκτονικής

Ελέγξτε τους χώρους αναζήτησης NAS, τους αλγόριθμους, το κόστος πρώιμης αναζήτησης, τη χαλάρωση DARTS, την κοινή χρήση βάρους και τις προειδοποιήσεις αξιολόγησης. Ελέγξτε τις υποθέσεις και το πεδίο εφαρμογής.

Σχετικές διαδρομές οδηγώνΑναζήτηση Νευρωνικής Αρχιτεκτονικής
Ερώτηση 1 του 8

Τι αυτοματοποιεί η Αναζήτηση Neural Architecture;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι αυτοματοποιεί η Αναζήτηση Neural Architecture;
    • Ο σχεδιασμός της δομής του νευρωνικού δικτύου
    • Επισήμανση δεδομένων εκπαίδευσης
    • Ψύξη των διακομιστών GPU
    • Τεκμηρίωση γραφής για μοντέλα
  2. Ποια τρία στοιχεία ορίζουν μια μέθοδο NAS;
    • Σύνολο δεδομένων, βελτιστοποιητής και εγκατάλειψη
    • Χώρος αναζήτησης, στρατηγική αναζήτησης και εκτίμηση απόδοσης
    • Κωδικοποιητής, αποκωδικοποιητής και προσοχή
    • Εκπαίδευση, επικύρωση και σύνολα δοκιμών
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. Ποιο βασικό κόλπο χρησιμοποιεί το DARTS για να κάνει την αναζήτηση αποτελεσματική;
    • Εκπαιδεύεται σε ένα μόνο παράδειγμα
    • Αφαιρεί όλα τα κρυφά επίπεδα
    • Χρησιμοποιεί μόνο τυχαία αναζήτηση
    • Χαλαρώνει τις διακριτές αρχιτεκτονικές επιλογές σε συνεχείς βελτιστοποιούμενες από κλίσεις
  5. Τι είναι το «supernet» στο NAS που μοιράζεται το βάρος;
    • Ένα υπερπαραμετροποιημένο δίκτυο που περιέχει όλες τις υποψήφιες αρχιτεκτονικές, των οποίων τα βάρη είναι κοινά
    • Ένα δίκτυο με δισεκατομμύρια παραμέτρους
    • Ένα δίκτυο που λειτουργεί μόνο σε υπερυπολογιστές
    • Ένα αντίγραφο ασφαλείας του μοντέλου
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup